May, 2022

MyoSuite -- 一种用于肌肉骨骼运动控制的接触模拟套件

PDF
TL;DRMyoSuite 是一套体质上准确的生物力学模型，能够支持复杂的接触丰富的现实世界任务，包括肌腱移植、外骨骼辅助和肌肉收缩动力学等生理变化，从而展现出现实中的非稳态条件。
embodied agentsneuro-musculoskeletal controlphysiologically accurate biomechanical modelsmuscle contraction dynamicscontinuous control benchmarks
发现论文，激发创造
  • 自主模型：采用分层低维表示模拟完整的人体肌肉骨骼系统和运动控制

    建立了综合的肌肉骨骼模型和相应的控制算法，能够模拟全身动力学和人机交互，并采用新的低维度表示和分层深度强化学习算法来实现最先进的全身控制。

    Dec, 2023

  • MS-MANO：基于生物力学约束的手势跟踪技术

    该研究提出了一种新颖的学习框架，用于视觉手部动力学分析，考虑了手部运动的生理方面。通过将肌肉骨骼系统与可学习的参数手部模型（MANO）集成起来，创建了一种新的模型 MS-MANO，模拟肌肉和肌腱的动力学驱动骨骼系统，对产生的扭矩轨迹施加了生理上的真实约束。进一步提出了一个模拟中的姿势精炼框架 BioPR，通过多层感知机（MLP）网络来优化初始估计的姿势。通过与 MyoSuite 的比较评估了 MS-MANO 的准确性，而与两个大规模公共数据集和两种最新的先进方法的比较评估了 BioPR 的效能。结果表明，与基准方法相比，我们的方法在定量和定性上都持续改进了。

    Apr, 2024

  • 人类运动系统外部仿真的仿生神经网络

    该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

    Sep, 2023

  • PerSival: 基于神经网络的肌肉骨骼生物力学中全渗透连续力学模拟的可视化

    本研究提出了一种新的神经网络架构，用于对 3D 人类上肢骨骼系统模型进行全面的可视化。利用深度学习模型实现了实时可视化，使得连续力学模拟在视觉实时应用中变得可行。

    Dec, 2023

  • MyoDex: 灵巧操作的可推广先验

    利用多任务学习模型和行为先验，研究人类灵巧性和机器人物理控制在各种接触丰富的行为中的学习和操作能力。

    Sep, 2023

  • 基于强化学习控制的人肘数字孪生模型的阻抗识别实验复制

    通过使用 MyoSuite 这个最先进的人体运动仿真平台，结合强化学习技术对人肘关节进行多个类型的阻抗识别实验，该研究初步探索了虚拟环境模拟在神经机械研究中的潜力，并提供了一种初步且有前景的替代传统实验方法的方案。

    Feb, 2024

  • 学习奔跑挑战：使用深度强化学习合成生理准确运动

    通过深度强化学习等优化方法，可以高效地探索大型和复杂的生物力学模型空间，进而实现合成可行的高维生物力学系统运动。

    Mar, 2018

  • 假肢的持续模仿学习

    基于摄像头运动捕捉和可穿戴传感器数据，我们提出了一种新型的仿生义肢应用模型，它可以学习人类行走时下肢的协同耦合，推断缺失的下肢在爬坡和上楼等不同任务中的运动行为，并具备多任务、持续适应、预测运动和修正的能力。经过实验证实，我们的模型在包括跖骨切断者在内的真实世界人体步态数据集上始终优于基准模型，在受分布偏移、对抗扰动和噪音等影响的情况下表现出色。

    May, 2024

  • 基于虚拟现实的身体追踪促进肌肉骨骼训练

    我们设计了一个基于 HoloLens 2 的应用程序，通过自主训练和自动评估来实现老年人和受伤人员的肌肉骨骼训练，我们评估了 HoloLens 2 的运动数据是否足以控制和预测肌肉骨骼训练中的身体动作和关节角度，结果显示 HoloLens 2 的运动数据与上半身运动和下肢关节角度的外部跟踪存在高度相关性。

    Aug, 2023

  • MimicTouch: 学习人类的多模态触觉反馈控制策略

    机器人和人工智能领域中，触觉处理的整合越来越关键，特别是在学习如对齿轮和插入等复杂任务时。然而，现有的关于插入任务的触觉方法的研究主要依赖机器人远程操作数据和强化学习，并没有充分利用人类在触觉反馈指导下的控制策略所提供的丰富见解。为了利用人类的感知，与学习源自人类的方法相比，方法学上主要利用视觉反馈，常常忽视人类在完成复杂操纵时固有地使用的宝贵触觉反馈。为填补这一差距，我们引入了一种名为 “MimicTouch” 的新框架，该框架模仿人类的触觉引导控制策略。在这个框架中，我们首先从人类示范者那里收集多模态触觉数据集，将人类的触觉引导控制策略融入到任务完成中。其后的步骤涉及使用多模态传感器数据和重新定位的人类动作通过模仿学习指导机器人。为了进一步缩小人类与机器人之间的差距，我们在物理机器人上采用在线剩余强化学习。通过全面的实验证明，在从人类到机器人的过程中，MimicTouch 的潜在策略通过模仿学习的方式转移是安全和可行的。这项正在进行的工作将为更广泛的触觉引导机器人应用铺平道路。

    Oct, 2023